Maschine Learning-basierte Unterdrückung von Phasenrauschen in ungekoppelten Radarnetzwerken

Radarnetzwerke bieten eine flexible und skalierbare Möglichkeit die Limitierungen von Einzelsensoren zu überwinden. Je nach Kopplungsart (ungekoppelt, niederfrequent gekoppelt, hochfrequent gekoppelt) der Signalsynthesen im Netzwerk ist eine beliebige Platzierung der Netzwerkknoten denkbar. Insbesondere bildgebende Verfahren profitieren von den sehr großen virtuellen Netzwerkaperturen, da die Winkeltrennfähigkeit fundamental durch die absolute Aperturgröße beschränkt ist. Jedoch erfordert die Kombination mehrerer MIMO Radarknoten das prozessieren von mono- und bistatischen Radardaten. Bei ungekoppelten Synthesen, d.h. keinerlei Bezug zwischen den Oszillatoren und PLLs der individuellen Radarsensoren, ist die Flexibilität und Skalierbarkeit am besten, allerdings kommt es zu Synchronisationsfehlern zwischen den Netzwerkknoten. Besonders für Anwendungen bei denen mit großen Entfernungen und Dynamikunterschieden zu rechnen ist, ist unkorreliertes Phasenrauschen sehr problematisch.

In dieser Abschlussarbeit sollen Machine Learning-basierte Ansätze zur Phasenrauschunterdrückung für Radarnetzwerke entworfen, untersucht und verifiziert werden. Hierfür ist die Erstellung von Datensätzen erforderlich, welche für das Training von neuronalen Netzen geeignet sind. Dies kann sowohl simulativ, als auch messtechnisch erfolgen.